基于经验模式分解的数字曲线光顺算法

将数字曲线视为离散几何信号，提出了一种基于经验模式分解（EMD）的数字曲线光顺算法。该算法对数字曲线进行一维参数化，将曲线展开成一维信号；采用EMD对展开信号进行多分辨率分解，得到不同尺度下的内蕴模式函数（IMF），去除高频的IMF，重构信号；将重构信号逆映射回二维，得到光顺后的曲线。实验结果表明，该算法可得到很好的曲线光顺效果。     

基于集合经验模态分解的滚动轴承振动信号希尔伯特谱分析方法

针对滚动轴承振动信号的特点,提出一种基于集合经验模态分解的滚动轴承振动信号希尔伯特谱分析方法。这一方法采用集合经验模态分解对滚动轴承振动信号进行分解,可以抑制传统经验模态分解可能产生的模态混淆现象。对于所得到的所有固有模态函数,采用相关因数法自动获取与原信号相关程度大的固有模态函数分量,并进行希尔伯特变换,计算瞬时频率和幅值,进而得到振动信号的时间、频率和幅值三维希尔伯特谱。通过对滚动轴承仿真信号与实际振动信号进行试验研究,验证了利用基于集合经验模态分解的滚动轴承振动信号希尔伯特谱分析方法进行故障诊断的有效性。     

基于形态奇异值分解和经验模态分解的滚动轴承故障特征提取方法

针对随机噪声和局部强干扰影响经验模态分解(Empirical mode decomposition,EMD)质量的问题,提出一种形态奇异值分解滤波消噪方法,并将其与EMD相结合形成一种新的故障特征提取方法。该方法首先对原始振动信号进行相空间重构和奇异值分解(Singular value decomposition,SVD),根据奇异值分布曲线确定降噪阶次进行SVD降噪,再形态滤波,最后把消噪后的信号进行EMD分解,利用本征模模态分量(Intrinsic mode function,IMF)提取故障特征信息。对仿真信号和实际轴承故障数据的应用分析表明,该方法能有效地提取轴承故障特征,诊断轴承故障,还可以减少EMD的分解层数和边界效应,提高EMD分解的时效性和精确度。     

基于奇异值分解的ERA改进算法及模态定阶

研究了一种基于奇异值分解的ERA改进算法和模态定阶方法。在奇异值分解基础上,根据选定阶次在动态系统中所占比重,提出一种模态定阶指标——奇异值百分比,将该指标应用在改进后的特征系统算法中。首先,利用脉冲响应信号构造初始Hankel矩阵,对此矩阵进行奇异值分解生成去噪后的信号矩阵;其次,根据Cadzow算法重构Hankel矩阵;最后,利用奇异值指标确定模态阶次。通过仿真算例验证了改进后的特征系统实现算法具有良好的抗噪能力,利用定阶指标能有效确定模态阶次、剔除虚假模态,对于阻尼识别精度更高。应用该方法对某三厢车排气系统进行了模态参数识别,通过与LMS系统识别结果比较验证了方法的准确性。     

融合集合经验模态分解与宽度学习的齿轮箱故障预警方法

为实现风力发电机齿轮箱的预测性维护,针对齿轮箱油温超温故障,提出一种基于集合经验模态分解(EEMD)和宽度学习算法的融合预警模型。以健康状态下的齿轮箱数据为判别基准,首先对齿轮箱油温时序信号进行EEMD分解得到时频特性,再采用宽度学习算法,利用数据采集与监视控制系统数据对齿轮箱进行建模,分别以马氏距离和重构油温曲线与真实油温曲线的关联度为指标,从时间维度和相关变量维度评价齿轮箱的健康程度。通过计算两种算法的交叉熵将二者的预警结果融合,从而兼顾预警方法的准确性和快速性。对实际风场中齿轮箱油温超温故障发生前后记录的数据进行仿真分析,验证了EEMD变点与宽度学习算法的融合方法在齿轮箱油温超温早期故障预警上的可行性。     

基于集合经验模态分解的人体结肠动力分析

针对目前临床上应用的便秘诊断措施有创且诊断效果不理想的问题,开展了基于无创检测设备获得胃肠道生理信息的研究。利用非线性分析方法分析人体结肠动力并找出正常人和便秘病人之间的区别,为临床诊断便秘提供参考。对8个正常人和10个便秘病人的结肠压力数据进行了分析。首先,通过阈值和集合经验模态分解(EEMD)有效滤除了结肠压力数据中的呼吸,咳嗽,电磁干扰等噪声;然后,提取了表征结肠动力的特征参数如结肠收缩频率,动力指数,平均收缩波峰值;最后,通过t检验比较了正常人和便秘病人结肠特征参数。结果显示:正常人和便秘病人的收缩频率,动力指数有明显统计不同(p0.05);然而,正常人和便秘病人的平均收缩波峰值没有明显统计差别。分析表明,收缩频率、动力指数可以区分正常人和便秘病人。     

基于有效数据的经验模态分解快速算法研究

在介绍了经验模态分解（简称EMD）方法的理论和算法基础上，为了提高EMD算法的速度，提出了基于有效数据的EMD快速算法，即通过EMD分解中止的计算区域限定于有效数据段来实现算法的提速。通过对非线性信号的实验研究表明，基于有效数据的EMD快速算法不但能显著提高算法的速度，而且还可以提高算法的精度。该研究成果能广泛地用于信号时频分析领域。     

基于经验模式分解与奇异谱分析的微弱信号提取

如果信号的信噪比较小,经验模式分解由于无法对原始信号进行正确分解而失效。为此,提出经验模式分解和奇异谱相结合的微弱信号提取方法。该方法首先采用经验模式分解方法获取若干个固有模式函数,并对包含特征频率成分的固有模式函数进行重组和相空间重构,而后进行奇异谱分析。最后,利用由奇异谱分析得到的主分量和经验正交函数反重构出一个新的时间序列,并对该时间序列进行频谱分析。仿真和实验分析均表明该方法能够有效的从强噪声干扰中提取出微弱特征信号。     

基于平移不变小波阈值算法的经验模态分解方法

针对经验模态分解(EMD)处理存在间断事件的数据会引起模态混叠的问题,提出了一种经验模态分解与小波去噪相结合的新方法.由于传统的小波变换去噪会使信号在间断事件处产生人为的振荡现象,故先用平移不变小波去噪算法对信号进行预处理,消除间断信号对EMD方法的影响,再对信号进行EMD分解.理论计算及实验研究表明:只有在有效消除异常干扰的情况下才能获得可靠的IMF分量,采用本文的方法消除间断信号对EMD分解的影响是有效可行的.     

基于经验模态分解的轴承故障诊断

简要介绍了轴承故障诊断的基本方法,通过对比共振解调法和经验模态分解法,证明了经验模态分解是一种适用于分析非线性、非平稳信号的方法.同时,通过实际例子验证了该方法可以用于有效地发现轴承故障,从而提高了诊断的准确性.     

基于经验模态分解的滚动轴承故障诊断方法

提出了一种基于经验模态分解的滚动轴承故障诊断方法，并定义了能量熵的概念。从不同状态的滚动轴承振动信号的能量熵值中发现，当滚动轴承发生故障时，各频带的能量会发生变化。为了进一步对滚动轴承的状态和故障类型进行分类，再从若干个包含主要故障信息的IMF分量中提取能量特征参数作为神经网络的输入参数来识别滚动轴承的故障类型。对滚动轴承的正常状态、内圈故障和外圈故障振动信号的分析结果表明，以经验模态分解为预处理器提取各频带能量作为特征参数的神经网络诊断方法比以小波包分析为预处理器的神经网络诊断方法有更高的故障识别率，可以准确、有效地识别滚动轴承的工作状态和故障类别。     

基于经验模态分解与神经网络的结构故障诊断

采用经验模态分解对简支梁振动信号进行分解,对分解得到的前4个固有模态函数分别求其能量百分比,并作为神经网络的输入向量.用17种工况的8组样本训练了简支梁故障诊断的神经网络模型.应用该法结果表明,2组测试样本的测试结果均与实际状况相一致,故可检测出结构的故障、故障的类型和故障的位置.     

基于遗传优化算法的曲线光顺的研究

研究了在光栅矢量化后的光顺问题。在传统光顺算法的基础上，提出了以曲线曲率极值的均方差作为衡量曲线光顺的指标之一。在光顺计算中，引入了遗传优化算法，增加了计算的自动程度以及客观性。在优化中，提出了优于传统罚函数法的模糊罚函数法，将模糊集合理论和遗传算法有机地结合起来，以获得目标函数地全局解。计算结果表明，采用本方法，曲线获得了很好的光顺。     

基于奇异值分解的频响函数降噪方法

为了提高外场测试中频响函数的信噪比,提出了一种基于奇异值分解的频响函数降噪方法。该方法首先对脉冲响应函数在相空间内进行重构;然后对重构轨道矩阵进行奇异值分解达到降噪的目的。其中,降噪阶次通过奇异熵增量进行确定。采用GARTEUR飞机模型建立具有密集模态的仿真算例进行验证。结果表明,在噪声干扰较大时,该降噪方法能够显著改善模态参数的识别精度,尤其是阻尼的识别精度。     

基于经验模态分解和Teager峭度的语音端点检测

采用经验模态分解和Teager峭度的统计特性对噪声环境下的语音信号端点进行检测。利用经验模态分解获得语音信号的本征模态函数,用Teager能量算子计算每个本征模态函数的瞬时能量,并对本征模态函数进行系数—峭度计算,提取信号期望的统计特征信息实现语音端点的检测。通过自适应EMD分解和Teager能量算子的处理,这种方法可以有效地消除白噪声或有色高斯噪声的影响。通过仿真例子说明这种方法可以取得良好的端点检测效果,仿真研究结果表明用经验模态分解和Teager峭度对噪声环境下的语音端点检测是可行的和有效的,提高了检测的可靠性。     

基于经验模态分解的汽车动态称重数据处理

在论述经验模态分解(EMD)的基础上,提出了虚假模态的概念.讨论了虚假模态对信号稳态量的影响及其相应的处理方法,结合汽车称重信号的特点,应用EMD方法对实测信号进行了分解,对分解结果进行了分析和说明.5组100个称重信号的分解结果表明,EMD方法对汽车动态称重信号的处理是有效的,车速小于等于30km/h时前轴的偏差为5.23%,后轴偏差为10.30%,总重偏差为6.93%.     

基于变分模态分解和奇异值差分谱的轴承故障诊断方法

为有效地提取出轴承故障的特征频率,提出了基于变分模态分解(VMD)和奇异值差分谱(SVDS)相结合的轴承故障诊断方法.该方法主要有三个步骤,一是通过VMD对轴承故障信息进行分解,并得到若干个不同频段的分量信号;二是选取有效的分量信号构建Hankel矩阵,并对该矩阵进行奇异值分解,由此得到SVDS曲线;三是通过SVDS曲...     

经验模态分解中虚假模态分量消除法

基于能量原理,提出经验模态分解(EMD)中虚假模态分量消除方法.在正常采样的条件下,分析信号EMD分解误差与虚假模态分量的关系,讨论虚假模态分量的性质.从EMD分解的完备性角度考虑在虚假模态存在情况下能量不守恒,给出模态函数消除法,从EMD分解结果中剔出虚假模态分量,消除信号经验模态分解误差.其有效性在所给例子中得到证实.     

基于改进的集合经验模态分解的电动机滚动轴承故障诊断研究

针对电动机轴承早期故障信号非线性非平稳性特征,造成故障信号特征提取和故障诊断困难,提出一种改进的基于添加自适应白噪声的完备集合经验模态分解与支持向量机结合的电动机轴承故障诊断方法。将美国凯斯西储大学测得的电动机轴承正常运行、滚动针体故障、外圈故障、内圈故障共4种信号分别用CEEMDAN和EEMD进行分解,得到多个模式分量,再将IMF能量法计算得到的特征向量引入支持向量机,进行电动机轴承故障识别。试验对比研究表明,该方法能更有效进行电动机轴承早期故障识别。     

快速自适应经验模态分解方法及轴承故障诊断

提出一种快速自适应经验模态分解(fast and adaptive empirical mode decomposition,简称FAEMD),其算法结构和本征模态函数的特点与经验模态分解(empirical mode decomposition,简称EMD)类似。采用顺序统计滤波器代替三次样条来拟合曲线,简易的终止准则使耗机时间大幅减小。该方法可以快速、有效、准确地分解信号,能够避免终止准则和端点效应问题,改善模态混叠和耗时问题。在滚动轴承故障诊断的应用中,效果表现良好。